xxxxxxxxxx# Análise de Dados com Python### Desafio:Você trabalha em uma empresa de telecom e tem clientes de vários serviços diferentes, entre os principais: internet e telefone.O problema é que, analisando o histórico dos clientes dos últimos anos, você percebeu que a empresa está com Churn de mais de 26% dos clientes.Isso representa uma perda de milhões para a empresa.O que a empresa precisa fazer para resolver isso?Base de Dados: https://drive.google.com/drive/folders/1T7D0BlWkNuy_MDpUHuBG44kT80EmRYIs?usp=sharing <br>Link Original do Kaggle: https://www.kaggle.com/radmirzosimov/telecom-users-datasetVocê trabalha em uma empresa de telecom e tem clientes de vários serviços diferentes, entre os principais: internet e telefone.
O problema é que, analisando o histórico dos clientes dos últimos anos, você percebeu que a empresa está com Churn de mais de 26% dos clientes.
Isso representa uma perda de milhões para a empresa.
O que a empresa precisa fazer para resolver isso?
Base de Dados: https://drive.google.com/drive/folders/1T7D0BlWkNuy_MDpUHuBG44kT80EmRYIs?usp=sharing
Link Original do Kaggle: https://www.kaggle.com/radmirzosimov/telecom-users-dataset
xxxxxxxxxx# Passo 1: Importar a base de dados import pandas as pd tabela = pd.read_csv("telecom_users.csv")# pacotes que devem ser instalados quando usar outro ambiente de desenvolvimento:# pandas - numpy - openpyxl# Passo 2: Visualizar a base de dadostabela = tabela.drop("Unnamed: 0", axis = 1)display(tabela)# - Entender quais informações estão disponíveis# - Descobrir os problemas existentes na base de dadosxxxxxxxxxx# Passo 3: Tratamendo de dados# - Valores que são reconhecidos de forma erradatabela["TotalGasto"] = pd.to_numeric(tabela["TotalGasto"], errors = "coerce")# - Valores vazios # Deletar colunas vaziastabela = tabela.dropna(how = "all", axis = 1)# Deletar linhas vaziastabela = tabela.dropna(how = "any", axis = 0)print(tabela.info()) # informações sobre a natureza da tabelaxxxxxxxxxx# Passo 4: Análise inicial# Analisar a taxa de cancelamentoprint(tabela["Churn"]. value_counts())print(tabela["Churn"]. value_counts(normalize = True). map("{:.1%}".format))xxxxxxxxxx# Passo 5: Análise mais completa# Comparar cada coluna da tabela com a coluna de cancelamentoimport plotly.express as px # se o pacote nao estiver instalado, usar: !pip install plotly## Gráficos# Etapa 1: criar o gráficofor coluna in tabela.columns: grafico = px.histogram(tabela, x = coluna, color = "Churn") # Etapa 2: exibir o gráfico grafico.show()xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxEscreva aqui suas conclusões:Escreva aqui suas conclusões: